La IA mejora la predicción del riesgo cardíaco

La puntuación de calcio en las arterias coronarias (CAC) es un método que ayuda a predecir el riesgo de enfermedades del corazón. Se busca la acumulación de calcio en las arterias del corazón. Este método es super útil para identificar a personas que podrían desarrollar enfermedad cardiovascular aterosclerótica (ASCVD), especialmente en quienes no muestran síntomas claros. Sin embargo, no predice bien el riesgo de Fibrilación Auricular (AF). La AF es un problema común de ritmo cardíaco que puede aumentar las posibilidades de tener un derrame o morir por problemas relacionados con el corazón.

El número de personas diagnosticadas con AF está creciendo, afectando tanto a adultos mayores como a jóvenes. Actualmente, la herramienta más utilizada para evaluar el riesgo de AF en personas sin síntomas es la puntuación de riesgo CHARGE-AF. Esta herramienta se creó a partir de estudios en personas sanas y en quienes tienen enfermedades del corazón.

Otra medida importante es una proteína en la sangre llamada NT-proBNP. Esta proteína está conectada al tamaño de las cámaras del corazón y puede predecir la ocurrencia de AF. Estudios recientes muestran que agregar los niveles de NT-proBNP a la puntuación de riesgo CHARGE-AF puede mejorar su capacidad para predecir AF.

Dado que el tamaño y la función de la aurícula izquierda (LA) son importantes para evaluar el riesgo de AF, los investigadores creen que usar tecnología avanzada, específicamente inteligencia artificial (IA), para medir el volumen de la aurícula izquierda en escaneos de CAC podría ayudar a predecir mejor la AF en personas sin síntomas.

#Población del Estudio

El Estudio Multiétnico de Aterosclerosis (MESA) es un estudio a largo plazo que involucra a más de 6,800 hombres y mujeres. Ninguno de estos participantes tenía síntomas de enfermedad cardíaca al inicio del estudio. La fase inicial del estudio tuvo lugar entre 2000 y 2002, durante la cual los participantes se sometieron a un chequeo de salud exhaustivo, que incluía historia médica, exámenes físicos y análisis de sangre.

Durante este chequeo, los participantes se sometieron a una tomografía computarizada para medir sus niveles de CAC. También se recolectó información importante, como presión arterial, peso, altura e historia médica. Para este estudio, los investigadores excluyeron a los participantes que no permitieron que sus datos se usaran comercialmente, resultando en alrededor de 5,535 participantes.

A lo largo de los años siguientes, se contactó regularmente a los participantes para informar sobre cualquier nuevo problema relacionado con el corazón. Cuando se diagnosticó AF, se registró a través de códigos médicos de estancias en hospitales o servicios ambulatorios.

#Herramienta de IA para Medición de Cámaras Cardíacas

La herramienta de IA utilizada en este estudio para medir el tamaño de las cámaras del corazón se llama AutoChamber™. Está diseñada para identificar y medir las cuatro cámaras principales del corazón, así como otras estructuras clave. El enfoque de este estudio fue específicamente en el volumen de la aurícula izquierda obtenido de escaneos de CAC.

AutoChamber utiliza métodos de aprendizaje profundo para mejorar su precisión en la medición de estas cámaras. El modelo se entrenó utilizando datos de muchas tomografías computarizadas que involucraron tanto técnicas de imagen normales como mejoradas. Después del entrenamiento, la herramienta de IA se aplicó a los escaneos de CAC de los 5,535 participantes.

#Puntuación de Riesgo CHARGE-AF

La puntuación de riesgo CHARGE-AF se creó para ayudar a predecir la probabilidad de desarrollar AF. Se basa en varios factores como edad, etnicidad, altura, peso, presión arterial, hábitos de fumar y estado de diabetes. Cada uno de estos factores contribuye a la puntuación de riesgo total, que puede ayudar a estimar la probabilidad de ocurrencia de AF.

#Medición de BNP

Las pruebas de NT-proBNP son una forma de medir los niveles de una proteína específica en la sangre que puede indicar problemas cardíacos. El estudio reportó niveles de NT-proBNP en un rango específico, donde niveles más bajos indican una menor probabilidad de desarrollar AF.

#Análisis Estadístico

Los investigadores utilizaron software estadístico para analizar los resultados del estudio. Compararon la incidencia de AF en diferentes grupos de participantes según su volumen de aurícula izquierda estimado por IA, la puntuación de riesgo CHARGE-AF y los niveles de NT-proBNP. Se realizaron diversas pruebas para determinar la significancia de las diferencias en el riesgo de desarrollar AF entre estos grupos.

#Resultados

En más de cinco años de seguimiento, los investigadores encontraron que los participantes con volúmenes de aurícula izquierda estimados por IA más grandes tenían una tasa más alta de AF. Además, las puntuaciones basadas en las mediciones de IA eran más precisas que las de la puntuación de riesgo CHARGE-AF y los niveles de NT-proBNP en predecir el riesgo de AF.

Por ejemplo, las personas en los percentiles más altos del volumen de aurícula izquierda medido por IA tuvieron una incidencia significativa de AF en comparación con quienes estaban en los rangos inferiores. El análisis también reveló que el volumen de la aurícula izquierda medido por IA era más efectivo en predecir AF que los métodos tradicionales usados.

#Perspectivas Clínicas

Los hallazgos de este estudio sugieren que los escaneos utilizados principalmente para buscar calcio en las arterias coronarias pueden proporcionar información adicional útil sobre la salud del corazón, especialmente en lo que se refiere al riesgo de AF. Esto significa que los doctores podrían utilizar los escaneos de CAC existentes para predecir mejor quién está en riesgo de desarrollar AF en el futuro.

El estudio indica que la tecnología de IA puede mejorar la utilidad de estos escaneos, facilitando a los proveedores de salud identificar a las personas que podrían beneficiarse de medidas preventivas contra la AF.

#Limitaciones del Estudio

Hay algunas limitaciones a considerar. Las tomografías computarizadas utilizadas en este estudio se realizaron hace muchos años, y la tecnología utilizada ahora es diferente. Aunque se recolectaron datos de una población diversa, el estudio puede no cubrir todas las variaciones vistas en las prácticas médicas actuales o la tecnología.

Además, el método utilizado para identificar AF en los participantes puede no haber capturado todos los casos de manera precisa, ya que algunos diagnósticos dependen de códigos médicos que pueden variar en precisión.

#Conclusión

En resumen, este estudio ha demostrado que la medición del volumen de la aurícula izquierda basada en IA a partir de escaneos de calcio coronario puede mejorar significativamente la predicción de la fibrilación auricular en comparación con los métodos tradicionales. Este enfoque ofrece una vía prometedora para mejorar las evaluaciones de riesgo cardiovascular en individuos sin síntomas claros, potencialmente ayudando en estrategias de prevención y tratamiento para la AF. Se necesita más investigación para validar estos hallazgos en otras poblaciones y entornos, pero los beneficios potenciales para la detección temprana y manejo de la AF son claros.